PyTorch深度学习实践-P10卷积神经网络

 代码部分 参考了csdn上别的博主，经测试可以跑成功

复习：上一节的全连接神经网络

 任意两个节点之间都有权重

全连接层处理图片时丢失了部分空间信息，因为为它把输入直接连成了一长串，但没有考虑他们在图片中的位置

 处理图像时常用的二维卷积神经网络：考虑输入输出维度，做空间变换

工作方式：

输入图像1*28*28的张量 c*w*h

卷积层：保留图像的空间特征

feature maps：卷积之后，依然是三维张量，得到了4*24*24的图像 通道变了 高度宽度变了

feature maps：2*2下采样之后得到了4*12*12的图像，使用下采样时，通道数不变，图像高度宽度改变，下采样可以减少数据量，降低运算需求

5*5卷积，2*2下采样，维度由3阶到1阶（10个元素，一个向量），将张量展开成1维，上一讲用view来实现，

全连接层映射到10维输出，然后交叉熵损失，softmax计算分布

最终目的是将3维的图像转换到10维的线性空间中

把卷积下采样称为特征提取，全连接网络称为分类

卷积：

猫的图片，计算机读取RGB图像，是一个一个的格子--栅格图像，从自然界直接捕获

矢量图象：无法直接捕获，大部分人工生成，圆心在哪，边是啥颜色，用啥颜色填充，现画的

图像获取：ccd 数码采集器，光敏电阻，光锥可以识别一部分发射过来的光

输入图像c=3,3*w*h，，取3*w'*h'图像块（patch）来做卷积,输出是C*W*H

卷积运算过程

单通道卷积：输入1*5*5图像，卷积核3*3，输入与卷积核做数乘（对应的值相乘）

三通道卷积：RGB每个通道配一个卷积核，输入通道数量和卷积核数量一样，算出来三个矩阵之后做加法得到结果1*3*3，上下左右减去一行一列 

多通道输入：卷积核是n**的张量，输出是1*3*3

 假设要m个输出通道：m个卷积核卷积，然后拼接，m*w*h

卷积核的通道数量和输入通道数量一样，卷积核个数与输出通道数一样 即共享权重机制

把m个卷积核拼成一个4维张量，m*n*w*h、

卷积层代码：

 

 代码：

import torch
in_channels,out_